圖像配準是圖像處理研究領域中的一個典型問題和技術難點，其目的在於比較或融合針對同一對象在不同條件下獲取的圖像，例如圖像會來自不同的採集設備，取自不同的時間，不同的拍攝視角等等，有時也需要用到針對不同對象的圖像配準問題。具體地說，對於一組圖像數據集中的兩幅圖像，通過尋找一種空間變換把一幅圖像映射到另一幅圖像，使得兩圖中對應於空間同一位置的點一一對應起來，從而達到信息融合的目的。 一個經典的應用是場景的重建，比如說一張茶几上擺了很多杯具，用深度攝像機進行場景的掃描，通常不可能通過一次採集就將場景中的物體全部掃描完成，只能是獲取場景不同角度的點雲，然後將這些點雲融合在一起，獲得一個完整的場景。
ICP（Iterative Closest Point迭代最近點）算法是一種點集對點集配準方法。如下圖所示，PR（紅色點雲）和RB（藍色點雲）是兩個點集，該算法就是計算怎麼把PB平移旋轉，使PB和PR儘量重疊。
用數學語言描述如下，即ICP算法的實質是基於最小二乘法的最優匹配，它重複進行“確定對應關係的點集→計算最優剛體變換”的過程，直到某個表示正確匹配的收斂準則得到滿足。
ICP算法基本思想：
如果知道正確的點對應，那麼兩個點集之間的相對變換（旋轉、平移）就可以求得封閉解。
首先計算兩個點集X和P的質心，分別爲μx和μp
然後在兩個點集中分別減去對應的質心（Subtract the corresponding center of mass from every point in the two point sets before calculating the transformation）
目標函數E(R,t)的優化是ICP算法的最後一個階段。在求得目標函數後，採用什麼樣的方法來使其收斂到最小，也是一個比較重要的問題。求解方法有基於奇異值分解的方法、四元數方法等。
如果初始點“足夠近”，可以保證收斂性
ICP算法優點：
- 可以獲得非常精確的配準效果
- 不必對處理的點集進行分割和特徵提取
- 在較好的初值情況下，可以得到很好的算法收斂性
ICP算法的不足之處：
- 在搜索對應點的過程中，計算量非常大，這是傳統ICP算法的瓶頸
- 標準ICP算法中尋找對應點時，認爲歐氏距離最近的點就是對應點。這種假設有不合理之處，會產生一定數量的錯誤對應點
針對標準ICP算法的不足之處，許多研究者提出ICP算法的各種改進版本，主要涉及如下所示的6個方面。
標準ICP算法中，選用點集中所有的點來計算對應點，通常用於配準的點集元素數量都是非常巨大的，通過這些點集來計算，所消耗的時間很長。在後來的研究中，提出了各種方法來選擇配準元素，這些方法的主要目的都是爲了減小點集元素的數目，即如何選用最少的點來表徵原始點集的全部特徵信息。在點集選取時可以：1.選取所有點；2.均勻採樣（Uniform sub-sampling ）；3.隨機採樣（Random sampling）；4.按特徵採樣（Feature based Sampling ）；5.法向空間均勻採樣（Normal-space sampling），如下圖所示，法向採樣保證了法向上的連續性（Ensure that samples have normals distributed as uniformly as possible）
基於特徵的採樣使用一些具有明顯特徵的點集來進行配準，大量減少了對應點的數目。